• xmlui.mirage2.page-structure.header.title
    • français
    • English
  • Aide
  • Connexion
  • Langue 
    • Français
    • English
Consulter le document 
  •   Accueil
  • LAMSADE (UMR CNRS 7243)
  • LAMSADE : Thèses
  • Consulter le document
  •   Accueil
  • LAMSADE (UMR CNRS 7243)
  • LAMSADE : Thèses
  • Consulter le document
JavaScript is disabled for your browser. Some features of this site may not work without it.

Afficher

Toute la baseCentres de recherche & CollectionsAnnée de publicationAuteurTitreTypeCette collectionAnnée de publicationAuteurTitreType

Mon compte

Connexion

Enregistrement

Statistiques

Documents les plus consultésStatistiques par paysAuteurs les plus consultés
Thumbnail

Causal Populations Identification througth Hidden Distributions Estimation

Identification des populations causales par l'estimation de distributions cachées

Beji, Celine (2021), Causal Populations Identification througth Hidden Distributions Estimation, thèse de doctorat préparée sous la direction de Atif, Jamal, Université Paris sciences et lettres

Voir/Ouvrir
2021UPSLD004.pdf (2.062Mb)
Type
Thèse
Date
2021-10-28
Métadonnées
Afficher la notice complète
Auteur(s)
Beji, Celine
Sous la direction de
Atif, Jamal
Résumé (FR)
Dans un cadre contrefactuel, cette thèse formalise l’inférence causale comme un problème d’estimation de densité. L’objectif est d’estimer la distribution de probabilité d’un mélange de quatre populations distinctes, définies par les résultats avec et sans traitement. Le problème fondamental est que les deux résultats ne sont pas observables simultanément. Deux modèles, introduisant des contraintes de causalité à partir de l’information partielle des résultats observés, sont proposés. La première approche, paramétrique, est basée sur un algorithme d’Espérance-Maximisation. Les paramètres des distributions des populations causales sont estimés itérativement en maximisant la vraisemblance, tout en ajoutant un apriori sur les probabilités a posteriori dans une étape intermédiaire. La seconde approche non-paramétrique utilise une architecture d’Auto-Encodeur améliorée par un apriori. Ce dernier se présente sous la forme d’un masque dans la couche intermédiaire du réseau. Des expérimentations sont menées sur des ensembles de données synthétiques et réelles pour prouver l’efficacité de ces approches. Quelques extensions sont également proposées.
Résumé (EN)
In a counterfactual framework, this thesis formalizes the causal inference as a density estimation problem. The aim is to estimate the probability distribution of a mixture of four separate populations, defined by the outcomes with and without treatment. The fundamental problem is that the two outcomes are not simultaneously observable. Two models, leveraging causal constraints built from the partial information of the observed outcomes, are proposed. The first parametric approach is based on an Expectation-Maximization algorithm. The parameters of the causal populations distributions are iteratively estimated by maximizing the likelihood, while adding a prior on the posterior probabilities in an intermediate step. The second non-parametric approach uses an Auto-Encoder architecture enhanced by a prior. The prior is materialized as a mask which is introduced in the intermediate layer of the network. Experiments are conduced on synthetic and real-life datasets to prove the efficiency of these approaches and some extensions are proposed.
Mots-clés
Inférence causale; Résultat contrefactuel; Effet de traitement individuel; Contrainte de causalité; Espace latent; Auto-Encodeur; Espérance-Maximisation; Causal inference; Counterfactual outcome; Individual Treatment Effect; Uplift; Causal constraint; Latent space; Auto-Encoder; Expectation-Maximization

Publications associées

Affichage des éléments liés par titre et auteur.

  • Vignette de prévisualisation
    Estimating Individual Treatment Effects throughCausal Populations Identification 
    Beji, Céline; Benhamou, Éric; Bon, Michaël; Yger, Florian; Atif, Jamal (2020) Communication / Conférence
  • Vignette de prévisualisation
    Les compétences des travailleurs dyslexiques : des ressources cachées pour l’organisation ? 
    Aimar, Damien (2019-12-09) Thèse
  • Vignette de prévisualisation
    Estimation non paramétrique du taux de mort dans un modèle de population générale : Théorie et applications. 
    Jeunesse, Paulien (2019-01-08) Thèse
  • Vignette de prévisualisation
    Le cache-sexe de la théorie économique 
    Bessière, Céline; Gollac, Sibylle (2016) Article accepté pour publication ou publié
  • Vignette de prévisualisation
    About the posterior distribution in hidden Markov models with unknown number of states 
    Rousseau, Judith; Gassiat, Elisabeth (2014) Article accepté pour publication ou publié
Dauphine PSL Bibliothèque logo
Place du Maréchal de Lattre de Tassigny 75775 Paris Cedex 16
Tél. : 01 44 05 40 94
Contact
Dauphine PSL logoEQUIS logoCreative Commons logo